Giters

may22es / CSLAIER

Geek Repo:Geek Repo

Github PK Tool:Github PK Tool

CSLAIER

CSLAIER is Artificial Intelligence Entangled RealWorld

CSLAIER version 0.7.0

Browser based GUI deep learning tool.

Screenshots

Top page

dataset top

Model detail page

Train result

train result

View and Edit model

model detail

Dataset page

Dataset

Requirement

CSLAIER is tested on Ubuntu 14.04. We recommend them to use CSLAIER, though it may run on other systems as well.

Supported Browsers

  • Chrome
  • Safari
  • Firefox

System

Minimum requirment:

  • Python 2.7
  • opencv
  • hdf5
  • SQLite3
  • nkf
  • matplotlib
  • Other dependenceis, see requirements.txt

Requirements for some features:

Setup

Config

  • Edit cslaier.cfg to set paths for saving files.
    • Begin with / stands for abosolute path.
    • Begin without / or begin with ./ stands for absolute path from CSLAIER's root directory.
    • Parameters are below
Parameter Description
HOST name or IP address of your host
PORT Port number
DEBUG Debug flag (True or False)
UPLOADED_FILE Path for uploaded files will save.
UPLOADED_RAW_FILE Path for uploaded zip files will save.
INSPECTION_TEMP Path for uploaded images for inspection will save.
PREPARED_DATA Path for preprocessed data for train will save.
TRAINED_DATA Path for trained data will save.
DATABASE_PATH Path of cslaier.db
LOG_DIR Path for log file

Install dependenceis

  • CSLAIER requires these libralies. Install these first.
    • opencv
    • hdf5
    • matplotlib

Mac

Using Mac's default python will fail to run pip install -r requirements.txt.

You have to install Python 2.7.11 or higher by using Homebrew or something.

Use Homebrew to intall like instructions below.

$ brew tap homebrew/science
$ brew tap homebrew/python
$ brew install opencv hdf5 nkf scipy
$ brew install matplotlib

Ubuntu

On Linux system, use package manager to install. Instructions below is an example on Ubuntu14.04.

$ sudo apt-get install python-pip
$ sudo apt-get install python-dev
$ sudo apt-get install libhdf5-dev
$ sudo apt-get install python-opencv
$ sudo apt-get install sqlite3
$ sudo apt-get install python-matplotlib
$ sudo apt-get install nkf

Starting up server first time

  • Try command below on root directory of CSLAIER.
$ ./setup.sh # setting up database
$ pip install -r requirements.txt # install python dependenceis
$ ./run.sh # run server
  • Access http://localhost:8080 on your browser. If you have changed hostname and port on cslaier.cfg, use that one.

How to update

  • Make backup cslaier.cfg and cslaier.db.
  • Get newest code by git pull or something.
  • Restore cslaier.cfg and cslaier.db from backup.
  • Follow the instructions below as required.

Usage

Start up CSLAIER

  • Move to CSLAIER's directory.
  • Run $ ./run.sh.
  • Access http://localhost:8080 by web browser.

Creating Dataset

  • Upload dataset from '+new' button on Dataset section on top page.
  • Dataset is a zip file which contains classifeid images by directory like Caltech 101 dataset.

Creating Model

  • Make model from '+new' button on Models section on top page.
  • Select network template from list.
  • Edit it, if you want.
  • Press 'Create' button. Then model is created and move to model detail page.

Start Train

  • Select created Model from top page.
  • Press 'start train' button.
    • Fill in forms and start train.

Inspection

  • Move to 'Model' page.
  • Chose 'Epoch' which you want to use for inspection.
  • Press 'inspect' button.
  • Select image(.jpg) for inspection.
  • Press 'Submit'. Then you will see the result of inspection.

Known issues

  • Train result graph's epoch is not correctly shown.

Tips

License

  • MIT License

CSLAIER

ブラウザベースのGUI深層学習ツール

Requirement

CSLAIERはUbuntu14.04でテストしています。

Supported Browsers

  • Chrome
  • Safari
  • Firefox

System

Minimum requirment:

  • Python 2.7
  • opencv
  • hdf5
  • SQLite3
  • nkf
  • matplotlib
  • その他の依存ライブラリについては requirements.txt をご参照ください。

Requirements for some features:

  • NVIDIA CUDA Technology GPU and drivers / CUDA 7.5
  • TensorFlow 0.11.0 https://www.tensorflow.org/
    • 0.12は現在サポートしておりません

LSTMで分かち書きを利用したい場合

  • 下記をapt-getなどでインストールする
    • mecab
    • libmecab-dev
    • mecab-ipadic
    • mecab-ipadic-utf8
    • python-mecab

Setup

Config

  • 各種ファイルの保存場所をcslaier.cfgに定義します。
    • / で始まるパスは絶対パスとして処理されます。
    • / で始まらないパス、./で始まるパスはCSLAIERのルートディレクトリ直下の相対パスとして処理されます。
    • 設定ファイルのパラメタの意味は下記の通りです
パラメタ 説明
HOST ホスト名
PORT ポート番号
DEBUG デバグフラグ
UPLOADED_FILE アップロードされたデータ・セットの格納場所
UPLOADED_RAW_FILE アップロードされたzipファイルの格納場所
INSPECTION_TEMP inspection用の画像のアップロード先
PREPARED_DATA 学習用の前処理済データの格納場所
TRAINED_DATA 学習済データの格納場所
DATABASE_PATH cslaier.dbの場所
LOG_DIR ログファイルの出力場所

依存ライブラリのインストール

  • 下記のライブラリをインストールする必要があります。
    • opencv
    • hdf5
    • matplotlib

Macの場合

Homebrewなどを使ってインストールしてください。

MacのデフォルトのPythonだと、この後に行うpipでエラーとなります。HomebrewなどでPythonのバージョンを2.7.11以上にしてください。

下記は一例です。

$ brew install python # インストール後、brewで入れたPythonに必ずPathを通すこと
$ brew tap homebrew/science
$ brew tap homebrew/python
$ brew install opencv hdf5 nkf
$ brew install matplotlib

Ubuntuの場合

Linuxの場合はパッケージマネージャーを利用してインストールしてください。 下記はUbuntu14.04の例です。

$ sudo apt-get install python-pip
$ sudo apt-get install python-dev
$ sudo apt-get install libhdf5-dev
$ sudo apt-get install python-opencv
$ sudo apt-get install sqlite3
$ sudo apt-get install python-matplotlib
$ sudo apt-get install nkf

初回起動

  • 下記のコマンドを実行する
$ ./setup.sh # setting up database
$ pip install -r requirements.txt # install python dependenceis
$ ./run.sh # run server
  • ブラウザで http://localhost:8080 にアクセスします。 cslaier.cfgでhostnameとportを変更している場合はそちらを利用してください。

Update時の注意点

  • cslaier.cfg(旧settings.yaml)とcslaier.dbのバックアップをとってください。
  • git pullなどで新しいソースコードを取得します。
  • cslaier.cfgとcslaier.dbをバックアップから復元します。
  • 必要に応じて、以下のアップデート手順を実行します。

使い方

学習の手順

  1. Datasetの作成
  2. Modelの作成
  3. Modelの学習
  4. Modelによる画像の予測結果の取得

CSLAIERの起動

  • CSLAIERをcloneしてきた場所に移動
  • ./run.sh を実行
  • ブラウザでhttp://localhost:8080 にアクセスする

Datasetの作成

  • ディレクトリ毎にカテゴリ分けされた画像セットを用意し、zip形式に格納します。
    • ディレクトリはCaltech 101のような構造になっている必要があります。
    • サブディレクトリ名が画像の予測結果の分類カテゴリーの名前になります。
  • トップページのDatasetセクションにある'+new'ボタンを押し、Dataset Nameに任意のDataset名を記入します。 * 'ファイルを選択'ボタンで作成した画像セットをアップロードします。
  • トップページのDatasetセクションにアップロードしたDatasetが追加されていれば、無事Datasetの作成は完了です。

Modelの作成

  • トップページのModelsセクションにある'+new'ボタンを押し、Model新規作成画面に移動します。
  • Choose Network Template下のセレクトボックスで、任意のネットワークテンプレートを選択します。
    • 必要であればModel名やNetwork名を変更します。
    • **に表示されるエディタでModelの編集が可能です。編集しないでも動作します。
  • 下段の'Create'ボタンを押すとModelが作成され、Modelの詳細画面に遷移します。
    • 左上に表示されている'CSLAIER'ロゴを押すと、トップページに遷移します。
  • トップページのModelsセクションに作成したModelが追加されていれば、無事Modelの作成は完了です。

作成したModelからの学習

  • トップページのModelsセクションから学習に利用するModelを選択し、Modelの詳細画面に移動します。
  • 'start train'ボタンを押し、使用するDataset、学習させるEpock(世代)の数、使用するGPUのIDを選択します。
  • 'Start'ボタンで学習が開始され、Modelのステータスが'In Progress'に切り替わります。
  • Modelのステータスが`In Progress'から'Trained'に切り替われば、無事Modelの学習は完了です。
    • 注:使用するDataset、学習させるEpoch(世代)の数、使用するGPUの種類と数によって学習にかかる時間は大きく変化します。

学習済Modelによる画像の予測(inspection)

  • トップページのModelsセクションから学習済みModel('Trained'となっているModel)を選択し、Modelの詳細画面に移動します。
  • Epock下の入力ボックスで予測に利用するEpoch(世代)を指定します。
  • 'inspect'ボタンを押します。
  • 予測させたい画像を選択します。
  • 'Submit'ボタンを押すと、予測結果が表示されます。

Tips

Datasetの編集について

#### 画像の追加と削除

  • トップページのDatasetセクションから編集するDatasetを選択して、Datasetの詳細画面に移動します。
  • Datasetの詳細画面内で編集するカテゴリー選択して、カテゴリーの詳細画面に移動します。
  • 画像を追加する場合: カテゴリーの詳細画面内の'+New'ボタンを押し、'ファイルを選択'ボタンで追加したい画像をアップロードします。
  • 画像を削除する場合: カテゴリーの詳細画面内にある削除する画像をクリックして、'OK'ボタンを押します。

#### カテゴリーの追加と削除

  • トップページのDatasetセクションから編集するDatasetを選択して、Datasetの詳細画面に移動します。
  • カテゴリーを追加する場合: Datasetの詳細画面内の'+New'ボタンを押し、カテゴリー名を指定してカテゴリーを作成します。
  • カテゴリーを削除する場合: 削除するカテゴリー選択して、カテゴリーの詳細画面に移動します。'Delete Category'ボタンを押して、'OK'ボタンを押します。

#### Datasetの削除

  • トップページのDatasetセクションから編集するDatasetを選択して、Datasetの詳細画面に移動します。
  • 'Delete Dataset'ボタンを押して、'OK'ボタンを押します。

#### Datasetのディレクトリを直接編集する

  • Datasetのディレクトリの中身は直接編集することが可能です。ただしディレクトリ自体のパスは変更しないでください。

Modelの編集について

#### Modelの編集

  • トップページのModelsセクションから編集したいModelを選択し、Modelの詳細画面に移動します。
  • 'Network'タブを押し、表示されるエディタからModelを編集します。
  • 'Create'ボタンを押して、Model名やNetwork名を指定し、編集を終了します。
    • 注:編集したModelは別のModelとして新規作成されます。

#### Modelの削除

  • トップページのModelsセクションから削除したいModelを選択し、Modelの詳細画面に移動します。
  • 'Delete'ボタンを押すと選択されたModelが削除されます。
    • 注: 学習済のモデルも一緒に削除されます。

経過グラフについて

Modelの詳細画面内の'Result'タブを押すと学習の経過グラフが表示され、学習の経過を確認することができます。 学習中のModel('In Progress'となっているModel)の場合は経過グラフが随時更新されていきます。

経過グラフの各線分

名前 線分の色 意味
loss 青 誤差
accuracy オレンジ 正確性
loss(val) 緑 学習中の誤差
accuracy(val) 赤 学習中の正確性

横軸はEpoch数です。

学習が完了したModelの利用

Modelの詳細画面内の'Download Trained Files'ボタンを押下すると、学習済みModel、Label(カテゴリの一覧)、Mean File、ネットワークファイルをzip圧縮されたものをダウンロードすることができます。 他のプログラムからの利用方法はサンプルを参照ください。

cslaier.cfg の編集について

各種ファイルの保存場所を変更する

  • cslaier.cfgを編集し、保存場所のパスを変更します。
  • サーバーを再起動します。

外部のマシーンからアクセスする

  • cslaier.cfgを編集し、ホストとポートを指定します。
  • サーバーを再起動します。
  • CSLAIERが動いている以外のマシンでブラウザより、cslaier.cfgに指定したURLにアクセスし、CSLAIERの画面が開いたら成功です。

Dockerの利用

  • Ubuntu14.04、GPU無しでchainerとtensorflowを利用するDockerfileが用意されています。利用するときはdocker buildする必要があります。
  • dockerを利用する場合、cslaier.cfgは docker_config/cslaier.cfgをコピーして利用してください。ただし、HOST='0.0.0.0'はそのままにしておく必要があります。
Dockerイメージのビルド

末尾の.を忘れないように

$ cd (cslaierのルート・ディレクトリ)
$ docker build -t cslaier/ubuntu14_cpu .
CSLAIER用Dockerイメージの起動
$ docker run -d -p 8080:8080 cslaier/ubuntu14_cpu

上記コマンド実行後、ブラウザで http://localhost:8080 にアクセスする

CSLAIER用Dockerイメージの終了
$ docker ps
CONTAINER ID        IMAGE                               COMMAND                  CREATED             STATUS              PORTS                     NAMES
7803235d494c        cslaier/ubuntu14_cpu            "/bin/sh -c 'sh -c 'l"   5 seconds ago       Up 3 seconds        0.0.0.0:32769->8080/tcp   desperate_hawking
# docker ps 出力のCONTAINER IDを指定する
$ docker stop 7803235d494c

既知の不具合

  • TensorFlowを用いて学習した場合、学習結果のグラフに表示されるepoch数が指定したepochの半分くらいの値になります。

License

  • MIT License

About

License:MIT License

Languages

Language:JavaScript 63.0%Language:Python 25.6%Language:HTML 10.0%Language:CSS 1.2%Language:Dockerfile 0.1%Language:Shell 0.0%